基于改進(jìn)GA-SVR算法的評標(biāo)模型及其在某工程項(xiàng)目招投標(biāo)評價(jià)中的應(yīng)用.pdf

1、招標(biāo)是我國現(xiàn)行的工程項(xiàng)目、服務(wù)和物質(zhì)采購的重要方式，是社會主義市場經(jīng)濟(jì)的重要組成部分，其本質(zhì)是一種交易方式?，F(xiàn)行的招標(biāo)評標(biāo)方式主要是基于專家等評標(biāo)委員會成員打分，這或多或少的存在個人主觀因素的影響，這相應(yīng)地減少了評標(biāo)工作的科學(xué)性和公正性的成分，就產(chǎn)生了進(jìn)一步解決評標(biāo)過程中的科學(xué)性和公正性的需要，而評標(biāo)模型是首要解決的問題。各種不同的招標(biāo)方式和模型有其特殊性和適用的范圍，在實(shí)際應(yīng)用中必須考慮項(xiàng)目的特點(diǎn)。評標(biāo)是招標(biāo)過程中的重要組成部分，其決

2、定了標(biāo)的實(shí)現(xiàn)，其本質(zhì)是一個高維非線性空間的最優(yōu)化數(shù)學(xué)問題。SVR(Support Vector Regression：支持向量回歸)算法是基于統(tǒng)計(jì)學(xué)習(xí)理論的小樣本學(xué)習(xí)機(jī)器，與人工神經(jīng)網(wǎng)絡(luò)的經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化原理不同，其建立在結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則基礎(chǔ)上，通過非線形內(nèi)積函數(shù)將線性不可分的低維空間數(shù)據(jù)映射到一個線性可分的高維特征空間，在這個特征空間中進(jìn)行分類和回歸擬合的方法，從而有效克服維數(shù)災(zāi)難和過擬合問題。較之于人工神經(jīng)元網(wǎng)絡(luò)，該算法具有小樣本、

3、泛化性能好以及所得解是全局最優(yōu)解的優(yōu)勢，這恰好彌補(bǔ)神經(jīng)網(wǎng)絡(luò)的不足。理論已經(jīng)證明，支持向量機(jī)在參數(shù)選擇合適的前提下可以任意精度逼近任意非線性函數(shù)。
　　 本研究將一種改進(jìn)的SVR算法引入建設(shè)工程項(xiàng)目招標(biāo)評標(biāo)之中，可以有效解決多維輸出變量的回歸問題。GA(Genetic Algorithm：遺傳算法)作為一種群體進(jìn)化的仿生全局最優(yōu)化算法，具有許多傳統(tǒng)梯度優(yōu)化算法不具備的優(yōu)點(diǎn)，已被廣泛應(yīng)用于各個領(lǐng)域。將GA與改進(jìn)的SVR算法相耦合，采

4、用遺傳算法在SVR算法訓(xùn)練過程中自動搜索能使訓(xùn)練效果最優(yōu)的SVR網(wǎng)絡(luò)參數(shù)，以提高SVR算法的泛化性能，SVR算法運(yùn)于招投標(biāo)的文獻(xiàn)資料可檢索到的約20余個，而形成改進(jìn)的GA-SVR算法，并將之應(yīng)用到建設(shè)工程項(xiàng)目評標(biāo)中則是一個全新的嘗試。首先，從招標(biāo)投標(biāo)的歷史出發(fā)，討論了招標(biāo)投標(biāo)的沿革，分析了我國招標(biāo)投標(biāo)的歷史，探討了影響評標(biāo)結(jié)果的因素，分析了常用的招標(biāo)方法和模型，指出了它們的特點(diǎn)和適用范圍，不存在包羅萬象的普適的評標(biāo)方法和模型，而完善招標(biāo)

5、投標(biāo)的數(shù)量化和模型化是具有實(shí)際意義的事情。在總結(jié)20多個項(xiàng)目實(shí)際評標(biāo)結(jié)果的基礎(chǔ)上設(shè)計(jì)了基于改進(jìn)GA-SVR算法的評標(biāo)模型，并將設(shè)計(jì)好的改進(jìn)GA-SVR算法的評標(biāo)模型在A公司的B項(xiàng)目評標(biāo)中進(jìn)行了實(shí)際應(yīng)用，并結(jié)合了實(shí)際工程建設(shè)中的效果，證明了這個模型具有良好的實(shí)用性。
　　 本研究的主要結(jié)論有：第一，將改進(jìn)GA-SVR算法的評標(biāo)模型創(chuàng)新性地應(yīng)用于招投標(biāo)領(lǐng)域，B項(xiàng)目的成功證明了該模型的可靠性和可實(shí)施性。第二，訓(xùn)練好的改進(jìn)GA-SVR模